Claude Code每月高達200美元，而Goose免費提供相同功能

人工智慧程式設計革命伴隨著高昂的成本。Anthropic的Claude Code作為終端AI代理，能自主編寫、除錯和部署程式碼，但其每月20至200美元的定價引發了開發者的廣泛不滿。如今，一個免費替代品正在興起：由Block（前身為Square）開發的開源AI代理Goose，提供與Claude Code幾乎相同的功能，但完全在使用者本地機器上執行，無需訂閱，不依賴雲端，也沒有每五小時重置的速率限制。

軟體工程師Parth Sareen在直播中強調：“你的資料始終由你掌控。”這體現了Goose的核心吸引力：開發者能完全控制AI工作流，甚至可以在飛機上離線工作。該專案在GitHub上已獲得超過26,100顆星，擁有362位貢獻者和102個版本，最新版本1.20.1於2026年1月19日釋出，開發速度堪比商業產品。

為了理解Goose的重要性，需要先了解Claude Code的定價爭議。Anthropic為Claude Code設定了多個訂閱層級：免費計劃無訪問許可權；Pro計劃每年17美元（月付20美元），每五小時僅限10至40次提示；Max計劃每月100至200美元，提供更多提示次數（50至800次）並訪問最強模型Claude 4.5 Opus。2025年7月底，Anthropic宣佈新的每週速率限制，Pro使用者每週獲得40至80小時的Sonnet 4使用時間，200美元Max使用者獲得240至480小時Sonnet 4加24至40小時Opus 4。然而，這些“小時”並非實際時間，而是基於令牌的限制，獨立分析表明實際限制大約為Pro使用者44,000令牌，200美元Max使用者220,000令牌。開發者對此強烈不滿，有人報告30分鐘內就用完每日限額，甚至取消訂閱。Anthropic辯稱限制僅影響不到5%的使用者，但未明確是Max使用者還是所有使用者。

Goose採取了截然不同的方法。作為“本地AI代理”，它使用使用者下載和控制的本地開源模型，而非將查詢傳送到遠端伺服器。文件描述其“超越程式碼建議”，能“安裝、執行、編輯和測試任意LLM”。Goose與模型無關，可連線Claude、GPT-5、Gemini等，或透過Ollama完全本地執行。本地設定意味著無訂閱費、無使用上限、無速率限制，且對話不離開機器。

Goose作為命令列工具或桌面應用，可自動執行復雜開發任務：從頭構建專案、編寫和執行程式碼、除錯故障、協調多檔案工作流、與外部API互動。其架構依賴“工具呼叫”能力，例如建立檔案、執行測試、檢查GitHub PR狀態等。Claude 4模型在工具呼叫方面表現最佳，但開源模型如Meta的Llama、阿里巴巴的Qwen、Google的Gemma和DeepSeek正在快速追趕。Goose還整合了模型上下文協議（MCP），可訪問資料庫、搜尋引擎、檔案系統和第三方API。

設定Goose本地模型需三步：安裝Ollama（從ollama.com下載，執行“ollama run qwen2.5”拉取模型）、安裝Goose（桌面或CLI版本，從GitHub releases下載）、配置連線（在Goose Desktop中設定Ollama提供者，API主機為http://localhost:11434）。

執行本地LLM需要足夠硬體：Block建議32GB RAM作為較大模型的基線，但較小模型如Qwen 2.5的變體可在16GB RAM上執行。Apple入門級MacBook Air（8GB）難以勝任，而配備32GB的MacBook Pro則能舒適執行。

Goose與Claude Code存在權衡：Claude 4.5 Opus在模型質量上仍領先，尤其擅長理解複雜程式碼庫和生成高質量程式碼；Claude Sonnet 4.5透過API提供100萬令牌的上下文視窗，而本地模型通常預設4,096或8,192令牌；雲端服務速度更快；Claude Code的提示快取等功能更成熟。但Goose在成本、隱私、離線訪問和靈活性上具有優勢。

AI編碼工具市場群雄並起：Cursor每月20至200美元，Ultra層每月約4,500次Sonnet 4請求；Cline、Roo Code等開源專案聚焦程式碼補全；Amazon CodeWhisperer和GitHub Copilot面向企業。Goose以自主性、模型無關、本地執行和零成本獨樹一幟。

開源模型進步神速，Moonshot AI的Kimi K2和z.ai的GLM 4.5現已接近Claude Sonnet 4水平。若此趨勢持續，Claude Code的溢價將難以為繼。開發者面臨清晰選擇：追求極致模型質量且能承受高價的，可選Claude Code；注重成本、隱私、離線訪問和靈活性的，Goose是真正的替代方案。

Goose並非完美：設定更復雜，依賴硬體資源，模型選項雖快速進步但在複雜任務上仍落後。但對日益增長的開發者社群而言，這些代價換來了AI工具中日益罕見的自主權。